SiamRPN++阅读笔记

最新推荐文章于 2024-01-20 20:48:41 发布

原创

最新推荐文章于 2024-01-20 20:48:41 发布 · 3.4k 阅读

32 ·

CC 4.0 BY-SA版权

文章标签：

#目标跟踪 #SiamRPN++

SiamRPN++是目标跟踪领域的先进算法，通过引入ResNet和空间感知采样策略，解决了平移不变性问题。论文采用ResNet-50进行特征提取，通过逐层聚合与深度交叉相关提升性能。实验表明，这种方法在VOT-2018等数据集上表现出色。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

论文地址：https://arxiv.org/pdf/1812.11703.pdf
代码地址：https://github.com/STVIR/pysot （截至博客发表前只能运行demo程序）

前言：
在所有效果较好的算法中，网络结构基本是基于AlexNet和VGG，深度学习作为当今潮流，人们喜欢将热门网络结构与自己领域相结合，但是为什么在前几年ResNet热度高居不下的情况下，依然没有人将ResNet应用到目标检测中。这便是这篇论文解决的问题，虽然在CIR算法中也提到这个问题，但是Siamese-RPN++明显各方面表现都要好一点。
在论文中提到，由于目标可能出现在搜索区域的任何位置，因此目标模板的学习特征表示应保持空间不变，而ResNet网络中都会有Padding操作，而这个操作会影响算法的平移不变性，使得网络更加关注图像中心。我们进一步发现，在现代深层体系结构中，只有AlexNet的零填充变体满足此空间不变性的限制。所以该论文的工作便是将ResNet运用于Siamese-RPN，代替常规的AlexNet，并且性能提升。

论文行文思路如下：
在这里插入图片描述
图1 解决问题思路

总体设计：
经过详细分析，论文中发现使用深层网络防止连体跟踪器的核心原因与这两个方面有关，一个原因是深层网络中的填充将破坏严格的平移不变性，另一个是RPN需要不对称的特征来进行分类和回归。
1）引入空间感知采样策略来克服第一个问题。
2）第二个问题引导了Depthwise Cross Correlation模块的